Varför fastnar AI i vissa organisationer?
AI misslyckas sällan av tekniska skäl. Det misslyckas när det krockar med en kultur som är optimerad för stabilitet snarare än lärande.
Jag möter allt oftare organisationer som säger att de “satsar på AI” – men där satsningen i praktiken består av PowerPoints, policies och proof of concepts. När det ska användas på riktigt tar det stopp: förankring i många led, överförsiktig juridiktolkning, riskminimering att “hellre låta bli än riskera att göra fel”. Resultatet blir pappersprodukter och “verksamhetsinveckling” istället för verksamhetsutveckling.
Samtidigt finns organisationer som rör sig snabbt. De testar, lär, ändrar arbetssätt och får ut nytta tidigt. Så varför är vissa snabba och andra långsamma?
Jag tror en stor del av svaret är kulturellt – och att det är kopplat till organisationers värdediscipliner.
Tre värdediscipliner (och en viktig målkonflikt)
Michael Treacy och Fred Wiersema populariserade på 1990‑talet idén om tre värdediscipliner: Customer intimacy, Product leadership och Operational excellence.
Kärnan i modellen är att om man vill vara riktigt stark i en disciplin kräver det uppoffringar i de andra. Man måste prioritera.
Det kan låta som strategi. I praktiken är det kultur: vilka beteenden som belönas, vilka som bestraffas, och vad organisationen reflexmässigt gör när osäkerhet uppstår. Det som premieras blir norm, norm blir kultur, och kultur sitter i väggarna – även när omvärlden skiftar.
Värdedisciplinerna
1) Customer intimacy: att vara närmast verkligheten
Löftet: “Vi förstår dig bättre än någon annan och anpassar oss efter dig.”
Customer intimacy bygger på att acceptera variation. Två kunder/brukare får inte alltid samma lösning – det är själva poängen. Man satsar på relationsbyggande, rådgivning, anpassning, onboarding, support och kontinuerlig förbättring utifrån verklig användning.
Styrkor: lyhördhet, relevans, förtroende, högt genomslag för det man gör.
Man offrar: ren effektivitet och standardisering. Anpassning kostar och skapar komplexitet.
2) Product leadership: att vara snabbast med det nya
Löftet: “Vi leder utvecklingen. Du får det bästa, först.”
Product leadership handlar inte om “ordning och reda” i varje detalj, utan om förmågan att lära snabbt. Man bygger förmågan att snabbt testa hypoteser, mäta och utvärdera, fatta beslut under osäkerhet och iterera. Misslyckanden ses som data – inte skam – så länge de är kontrollerade och leder till lärande.
Styrkor: tempo, innovationstakt, förmåga att snabbt skifta riktning när verkligheten ändras.
Man offrar: stabilitet, förutsägbarhet och ibland kortsiktig effektivitet. Innovation är “slöseri” – tills den fungerar. Och det är meningen.
3) Operational excellence: att vara mest pålitlig och effektiv
Löftet: “Det fungerar. Varje gång. Billigt, säkert och med jämn kvalitet.”
Operational excellence bygger på att minimera variation. Om man kan göra samma sak likadant tusen gånger får man lägre kostnad, färre fel och jämnare kvalitet. Organisationen blir robust: drift är kung, avvikelser hanteras systematiskt och förändring sker kontrollerat.
Styrkor: kvalitet, stabilitet, regelefterlevnad, skalbar leverans.
Man offrar: flexibilitet och förändringstakt. För att vara riktigt bra på Operational excellence behövs styrmekanismer: förändringsråd, kontroller, processer och gedigen dokumentation. Allt detta är rationellt – men har en bieffekt: förändring går trögt.
Varför AI “gillar” två värdediscipliner – och krockar med den tredje
AI-införande är i grunden en förändringsfråga. Du blir inte “AI-driven” av att införa ett verktyg. Du blir det när arbetssätt, beslut och vardagsbeteenden ändras.
Dessutom försvåras det av att krav blir tydliga först när man provar, resultat kan vara svåra att förutsäga och risker måste förstås i praktiken. AI är sällan “installera och klart”.
Därför går det ofta snabbare i kulturer som redan är byggda för snabba lärloopar (Product leadership) eller med hög anpassningsbarhet och fokus på användarnytta (Customer intimacy).
Och därför får Operational excellence ofta det tuffare: det som gör Operational excellence starkt i drift gör det trögt i förändring och verksamhetsutveckling.
Operational excellence tenderar att göra osäkerhet till ett argument för mer förankring: fler intressenter, fler råd, fler remissrundor, fler “säkra” formuleringar.
Paradoxen blir: ju mer nytt och osäkert (som AI), desto mer styrning triggas – och då hamnar organisationen i ett läge där den är formellt aktiv (policies, riktlinjer, PowerPoints) men praktiskt passiv (arbetssätt och vardagsbeteenden förändras inte).
AI kan ge enorm hävstång för Operational excellence (automatisering, beslutstöd, kvalitetssäkring). Men vägen dit krockar ofta med själva kulturens reflexer.
Avslutning
Det är viktigt att säga det tydligt: Operational excellence är inte “sämre”. Det är ofta ett svar på en verklighet där fel är dyra – särskilt i banker, universitet, sjukvård, myndigheter och annan samhällskritisk verksamhet. Deras uppdrag är inte att vara först, utan att vara pålitliga.
Treacy och Wiersema har en viktig poäng om värdedisciplinerna: man kan visserligen bara prioritera en värdedisciplin, men man behöver också bli tillräckligt bra på de övriga. I praktiken betyder det att en operational excellence‑organisation som vill få ut AI‑nytta behöver låna lite beteenden från de andra disciplinerna: en dos av product leadership (lärloopar, tempo, mandat) och en dos av customer intimacy (anpassning för kunder/brukare och verkliga behov).
Och det sker inte av sig själv. Det krävs utrymme, mod och mandat från högsta ledningshåll — och att man ställer sig denna fråga:
Vilken värdedisciplin har vi – och hur driver vi vår AI‑satsning så att den kan ta sig igenom vår egen kultur utan att fastna i den?
Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.